Прогноз: AI-технологии уже в течение 3 лет дадут нам новые лекарственные препараты-кандидаты

Прогноз: AI-технологии уже в течение 3 лет дадут нам новые лекарственные препараты-кандидаты

28 Nov 2019
133
Прослушать

Взрывной рост объема биологических данных приведет к тому, что в ближайшие несколько лет система искусственного интеллекта (artificial intelligence, AI) обнаружит первых кандидатов на лекарства - достижение, которое обещает изменить способ проведения исследований фармацевтическими компаниями.

Такое единодушное мнение сложилось среди экспертов по машинному обучению, выступивших несколько дней назад на СТАТ Summit, относительно использования искусственного интеллекта в фармацевтической промышленности.

Доктор Хал Баррон, главный научный сотрудник фармацевтической компании GlaxoSmithKline (GSK) говорит:

Я бы предсказал, что в ближайшие два-три года у нас будут примеры таких целевых препаратов, обнаруженных с помощью методов машинного обучения, которые исследуют ранее недооцененную биологию.

Несмотря на то, что для достижения этих новых целей потребуется гораздо больше времени, Баррон добавил, что исследование позволит в короткие сроки подготовить перспективных кандидатов на лекарства и отправить их на утверждение в регулирующие отрасль здравоохранения органы.

Прогрессу в области компьютерных исследований способствует увеличение объема генетических данных и другой биологической информации, которые могут быть использованы для выявления моделей, которые люди не могут видеть. Эксперты утверждают, что эти модели могут заставить разработчиков лекарств изменить курс и найти новые подходы к решению болезненных проблем, начиная от рака и заканчивая нейродегенеративными заболеваниями, такими как болезнь Альцгеймера.

"Одна из вещей, которую мы снова и снова видим в машинном обучении, заключается в том, что если вы готовы отказаться от своих предубеждений при просмотре больших массивов данных, вы обнаружите, что искали не в том месте, - говорит Дафни Коллер, генеральный директор компании-стартапа Insitro, которая сотрудничает с фармацевтическими компаниями.

Она добавила:

Позволь машине понять, в чем на самом деле различие между больным и здоровым состоянием, и она поможет нам найти цели, которые иначе мы бы не смогли обнаружить.

За последние несколько лет фармацевтические компании значительно увеличили свои инвестиции в исследования в области машинного обучения. В то же время, однако, многие игроки в отрасли сомневаются в этом, считая, что эти расходы вызваны шумихой, а не значительным научным прогрессом.

Эксперты, выступавшие в четверг, признали, что шумиха, распространяемая некоторыми поставщиками, не отражает реальный прогресс, достигнутый многими другими компаниями. По словам Коллер,

Люди используют термин "машинное обучение" для обозначения всего, что смутно похожего на многомерную статистику. То, что люди делают уже 50 лет, теперь они называют машинным обучением. Когда вы заходите в офис венчурного капиталиста и на пятом слайде говорите, что вы используете технологии глубокого обучения, ваша оценка удваивается".

Современное машинное обучение определяет его способность извлекать информацию из огромных массивов данных, которые люди никогда не смогут увидеть, независимо от того, как долго они изучают эти данные. Именно этот факт пока недостаточно озвучивается в прессе, считает Баррон. При этом он уточнил, что возможности использования для машинного обучения ограничены:

Вы должны спросить, есть ли возможность собрать достаточно данных, достаточно объемных, чтобы машинное обучение было полезным? И в подавляющем большинстве случаев, ответ будет отрицательным.

Биолог Авив Регев из Broad Institute, отметил, что применение машинного обучения уже кардинально меняет подходы к биологическим исследованиям. В предыдущие десятилетия большой объем "неочищенной" информации о биологических системах из многочисленных источников представлял собой проблему, поскольку заставлял ученых ограничивать свой анализ различными подмножествами данных. Машинное обучение, однако, способно справляться с такой сложностью более гибко, даже если данные различаются по качеству, при условии, что наборы данных достаточно велики.